通常我们定义交叉熵的方式如下：

dim = 5logits = tf.random_normal([5,3],dtype=tf.float32)labels = tf.cast(tf.one_hot(10,5),tf.int32)cost_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits,labels=labels)with tf.Session() as sess:    a,b=sess.run([logits,labels])    print(b)    print(sess.run(cost_entropy))    print('\n')    print(a)

输出结果：

[0 0 0 0 0][1.8559302 2.1816468 2.9526126 1.5903687 2.500083 ][[ 0.1913337   0.32995617 -0.23624638] [ 0.65993434 -0.2852072  -1.1419022 ] [-0.2529132  -0.35611948  0.4710417 ] [-0.61094457 -0.76033163 -0.6311429 ] [-1.5868235   0.81744194 -0.31859735]]

现在如果我的logits是：

[[ 0.1913337   0.32995617 -0.23624638] [ 0.65993434 -0.2852072  -1.1419022 ] [-0.2529132  -0.35611948  0.4710417 ] [-0.61094457 -0.76033163 -0.6311429 ] [-1.5868235   0.81744194 -0.31859735]]

而我的标签与logits的形状相同，例如：

[ [ 0     1   0]  [ 1     0   1]  [1      1   0]  [1      1   1]  [0      0   0] ]

因此，logits中的每个值都有一个0或1（独热编码），我该如何实现这一点？我尝试使用

 `tf.nn.sparse_softmax_cross_entropy_with_logits` 

和

`tf.nn.softmax_cross_entropy_with_logits` 

但都出现了错误。

进一步解释：

假设我的输入是 [ [12 , 14 , 15 ] , [23 ,24 , 25 ] ]，现在我会得到这样的logits [ [ 0.11 , -0.1 , 0.2 ] , [0.91 0.2 0.12] ]。现在我的标签对应这些logits是 [ [ 0, 0 , 1 ] , [ 1 , 0 ,1 ] ]。这意味着我想要从第一个取 [0.2]，从第二个取 [0.91 , 0.12]。

从这个向量 [ 0.11 , -0.1 , 0.2 ] 中，我想要最后一个，所以我的标签是 [ 0 , 0 ,1 ]。从这个向量 [0.91 0.2 0.12] 中，我想要第一个和最后一个，所以我想要 [ 1, 0, 1]。

回答：

看起来你是在寻找多标签分类。这里有一个工作示例：

dim = 5tf.reset_default_graph()logits = tf.random_normal([2,3],dtype=tf.float32)labels = tf.Variable([[ 0 , 0 ,1 ], [ 1, 0, 1]], dtype=tf.float32)cost_entropy = tf.nn.sigmoid_cross_entropy_with_logits(logits=logits,labels=labels)loss = tf.reduce_sum(tf.reduce_mean(cost_entropy, axis=0))with tf.Session() as sess:    tf.global_variables_initializer().run()    print(sess.run(cost_entropy))    print(sess.run(loss))

输出结果为

[[0.68918824 1.1838193  0.40476277][1.5736797  0.6862114  0.9196656 ]]2.4358916